Объяснимая модель машинного обучения для прогноза трахеостомии после краниотомии при супратенториальном внутричерепном кровоизлиянии

Почему это важно для пациентов и их семей

Когда человек переживает тяжёлый инсульт, вызванный кровоизлиянием в мозг, ему часто требуется экстренная мозговая операция и аппарат искусственной вентиляции лёгких. Одно из самых трудных решений у постели больного для врачей и родственников — предсказать, потребуется ли позже отверстие в шее, называемое трахеостомией, чтобы поддерживать дыхание длительное время. В этом исследовании показано, как объяснимая форма искусственного интеллекта может оценить этот риск на ранней стадии, используя всего несколько рутинных медицинских показателей, и превратить это в простое прикроватное средство.

Тяжёлое кровоизлияние в мозг и дыхательная поддержка

Кровоизлияние в верхнюю часть мозга, известное как супратенториальное внутричерепное кровоизлияние, — один из самых опасных видов инсульта. Многие такие пациенты в Китае и других странах подвергаются открытой операции на мозге, чтобы удалить кровь и снизить давление. Даже после операции почти половина из них в конечном итоге нуждается в длительной дыхательной поддержке, и значительная часть получает трахеостомию, чтобы сделать вентиляцию безопаснее и комфортнее. До сих пор врачи опирались на опыт и общие шкалы для инсультов, не адаптированные к этой конкретной хирургической группе, что затрудняло дачу однозначных рекомендаций семьям и планирование ресурсов интенсивной терапии.

Преобразование рутинных данных в инструмент прогноза

Исследователи собрали данные из двух больниц о 924 взрослых пациентах с таким кровоизлиянием, которым затем была выполнена операция. Они рассмотрели базовую информацию, которая уже собирается в первый день ухода: возраст, уровень сознания по шкале Глазго, объём гематомы в мозге, продолжительность операции и распространённый показатель крови — сывороточный бикарбонат, отражающий кислотно-щелочное равновесие организма. С помощью поэтапного отбора признаков они обнаружили, что именно эти пять факторов несут основную полезную информацию о том, получит ли пациент впоследствии трахеостомию.

Как работает объяснимая модель ИИ

С этими пятью вводными команда обучила три разных компьютерных модели: стандартную статистическую модель, случайный лес и более продвинутый метод на деревьях решений — extreme gradient boosting. Каждую модель тщательно настраивали и тестировали с помощью перекрёстной проверки на данных основной больницы, затем проверяли производительность на пациентах второй больницы. Все три подхода хорошо различали пациентов с высоким и низким риском, но модель gradient boosting показала наилучшее сочетание точности и надёжности оценок риска и дала наибольшую клиническую пользу при интерпретации результатов так, как врач применил бы их у кровати пациента.

Делаем «чёрный ящик» прозрачным

Одна из частых опасений по поводу ИИ в медицине — то, что он ведёт себя как «чёрный ящик», выдавая ответы без объяснений. Чтобы избежать этого, исследователи использовали технику SHAP, которая разлагает каждое предсказание на вклад отдельных входных переменных. В масштабах всей когорты наибольшими факторами, повышающими вероятность трахеостомии, были более низкие баллы уровня сознания и большие размеры гематомы, за ними следовали более старший возраст, длительность операции и более низкий уровень бикарбоната. Для отдельных пациентов инструмент может показать простую столбчатую визуализацию, демонстрирующую, как каждый фактор увеличивал или уменьшал их индивидуальный риск, давая клиницистам и семьям интуитивное объяснение вместо сухого числа.

От исследовательской модели к прикроватному инструменту

Чтобы сделать результаты практично применимыми, авторы создали бесплатный веб-калькулятор. Врач может ввести возраст пациента, балл по шкале Глазго, объём гематомы, продолжительность операции и уровень бикарбоната, а инструмент вернёт оценочную вероятность того, что пациенту потребуется трахеостомия, вместе с визуальным объяснением. Хотя у исследования есть ограничения — оно ретроспективное, из одного региона и пока не учитывает более поздние изменения состояния пациента — оно показывает, что небольшой прозрачный набор факторов может отразить значительную часть риска.

Что это значит для принятия решений в уходе

Проще говоря, исследование делает вывод, что объяснимая модель ИИ, использующая всего пять рутинных показателей, может дать надёжную раннюю оценку того, потребуется ли пациенту, перенёсшему операцию при тяжёлом кровоизлиянии, трахеостомия. Такой инструмент не заменяет медицинское суждение, но может помочь вести более информированные разговоры с семьями, планировать персонал и оборудование в отделениях интенсивной терапии и направлять будущие клинические исследования о сроках выполнения трахеостомии. После дальнейшей валидации в других больницах он может стать частью стандартной помощи для некоторых из самых тяжёлых пациентов с инсультом.

Цитирование: Qiao, F., Xue, X., Yu, H. et al. Explainable machine learning prediction of tracheostomy after craniotomy for supratentorial intracerebral hemorrhage. Sci Rep 16, 11495 (2026). https://doi.org/10.1038/s41598-026-41953-x

Ключевые слова: инсульт, трахеостомия, нейрохирургия, машинное обучение, отделение интенсивной терапии